随着Web2.0技术的迅速发展,涌现了越来越多的社会网络站点,社会网络分析(SNA)吸引了越来越多研究者的关注,社区挖掘成为社会网络分析中的一个主要研究方向。当前关于社区挖掘的绝大多数方法都假定社会网络中只存在一种关系,挖掘结果并不完全符合用户的真实需求。而现实的社会网络多为多关系网络或者异质网络,个体间往往存在着多种不同的关系,这些关系在不同任务中扮演着不同角色。本论文将从降低噪声数据,提高算法效率和利用语义信息三方面对多关系社会网络进行社区挖掘方法的研究,为解决以上三方面内容提供了一种解决方案。具体研究内容主要包括以下方面：首先,提出了一种基于相关性分析的多关系社会网络社区挖掘算法(MCMABCA),解决了多关系社会网络影响挖掘结果正确性的噪声数据问题。该方法将多关系社会网络中的社区挖掘问题转化为关系的选择和抽取问题,针对多关系的社会网络,基于相关性分析去除冗余关系,并结合用户查询抽取一种组合关系,根据这种组合关系挖掘社会网络中符合用户需求的社区结构。其次,提出了一种基于排名的多关系社会网络中的社区挖掘算法(MCMABR),为维数较高的多关系社会网络降低算法复杂度提供了一种解决方案。该算法针对社会网络中的关系数目成千上万情况下,对于用户查询来说,每个关系的重要程度是不一样的特点,对社会网络中关系集进行了预处理,选择重要度排名靠前的关系,在此基础上抽取出一组关系组合来发现社区结构,大大降低了时间复杂度,提高了算法效率。另外,针对某些情况下,仅仅从图拓扑结构上进行社区挖掘得不到用户想要的结果,还需要考虑社会网络中的语义信息,提出了一种多关系社会网络中的语义社区发现方法。该方法首先定义和构建了社区-实体-语义数据模型(CED模型),采用Gibbs抽样算法对该模型进行了近似求解,通过计算属于社区的语义数据的概率分布发现语义社区。最后,进行了实验的设计与实现,并与传统的社区挖掘方法进行了对比,验证了所提出算法或方法的有效性和正确性。